电商异常检测：一种基于自然梯度的贝叶斯半监督张量分解方法
机器学习
2018-05-30 v3 机器学习
摘要
异常检测有几个重要应用。在本文中，我们的重点是利用张量分解检测卖家-评论者数据中的异常。虽然张量分解多为无监督的，我们构建了贝叶斯半监督张量分解以利用稀疏标注数据。此外，我们对半监督贝叶斯张量分解使用 Polya-Gamma 数据增强。最后，我们表明 Pólya-Gamma 表述简化了部分自然梯度学习的 Fisher 信息矩阵的计算。我们的实验结果表明，我们的半监督方法优于最先进的(state of the art)无监督基线。并且部分自然梯度学习优于随机梯度学习和带充分统计量的 Online-EM。
引用
@article{arxiv.1804.03836,
title = {E-commerce Anomaly Detection: A Bayesian Semi-Supervised Tensor Decomposition Approach using Natural Gradients},
author = {Anil R. Yelundur and Srinivasan H. Sengamedu and Bamdev Mishra},
journal= {arXiv preprint arXiv:1804.03836},
year = {2018}
}
备注
Citations rendering